Aula 24 - Variáveis Aleatórias. Principais Distribuições de Probabilidade

Direitos autorais reservados (Lei 9610/98). Proibida a reprodução, venda ou compartilhamento deste arquivo. Uso individual.
Cópia registrada para Juarez Lima (CPF: 033.254.205-08)
Matéria: Estatística
Professor: Alex Lira
Teoria e questões comentadas
Prof. Alex Lira
Aula – Distribuições de Probabilidade
SUMÁRIO
VARIÁVEIS ALEATÓRIAS........................................................................ 3
1. Introdução ....................................................................................... 3
2. Distribuição de Probabilidade .............................................................. 4

3. Função Distribuição de Probabilidade ................................................... 5
3. Esperança de Variáveis Aleatórias Discretas ......................................... 6
4. Variância e Desvio Padrão de uma Variável Aleatória Discreta .............. 11
DISTRIBUIÇÕES DE PROBABILIDADE .................................................... 13
1. Distribuição Uniforme Discreta .......................................................... 13
2. Distribuição de Bernoulli .................................................................. 14
3. Distribuição Binomial ....................................................................... 16

4. Distribuição de Poisson .................................................................... 25
LISTA DE QUESTÕES .......................................................................... 31
Prof. Alex Lira www.exponencialconcursos.com.br Página 2 de 37

Prof. Alex Lira
VARIÁVEIS ALEATÓRIAS
1. Introdução
As variáveis aleatórias constituem a base do estudo da Estatística Inferencial.
Vamos entendê-las um pouco melhor por meio do clássico exemplo do lança-
mento de um dado não viciado.
Seja X o resultado do lançamento. Daí, os possíveis resultados são: 1, 2, 3, 4,
5 e 6. Vamos, então, fazer alguns lançamentos. Suponhamos que o primeiro
lançamento teve como resultado 2; o segundo lançamento resultou o valor 1 e
o terceiro deu 5. Reunindo os resultados, tivemos:

 1º lançamento: X = 2.
Com isso, notamos duas coisas muito importantes. Primeiramente, X assume
valores diferentes a cada lançamento. Ou seja, X varia, logo é uma variável.
Além disso, essa variação acontece de forma aleatória. Isto significa que não
é possível determinar com 100% de certeza, o resultado do próximo lança-
mento.
Logo, podemos dizer que a variável em consideração é aleatória, pois assume
diferentes valores e cada resultado possível pode ser associado a uma dada
probabilidade.
Além disso, meus amigos, a variável aleatória “lançamento de um dado” é dis-
creta!
Peraí, professor. Isso me faz lembrar do que estudamos na aula passada!
Muito bem, caro aluno! Vimos uma classificação das variáveis. Que tal relembrar
a parte que nos interessa?

Prof. Alex Lira
Não pode assumir qualquer valor

dentro de um intervalo de resultados
possíveis.
É possível enumerar todos os

resultados possíveis da variável.
Discretas
À cada um de seus valores se associa
uma probabilidade.
VARIÁVEIS ALEATÓRIAS
Exemplo: Grandezas obtidas por meio

de contagem.
(Quantas pessoas moram nesta casa?)
Pode assumir qualquer valor dentro de

um intervalo de resultados possíveis.
Não é possível enumerar todos os

resultados possíveis da variável.
Contínuas
Não é possível associar uma
probabilidade à cada um de seus
valores.
Exemplo: Grandezas obtidas por meio

de medição.
(Quantos quilos você pesa?)
2. Distribuição de Probabilidade
Considere a distribuição de frequências relativas ao número de aprovações
em concursos públicos dos alunos presentes numa turma:
Número de
Frequências
aprovações
0 22
1 5
2 2
3 1
Σ = 30

Prof. Alex Lira
Perceba que na turma em análise temos a probabilidade de:

 O aluno escolhido não ter aprovação é:
22
𝑝= = 0,73
30
 O aluno escolhido ter uma aprovação é:

5
𝑝= = 0,17
30
 O aluno escolhido ter duas aprovações é:
2
𝑝= = 0,07
30
 O aluno escolhido ter três aprovações é:
1
𝑝= = 0,03
30
Desse modo, podemos consolidar as probabilidades calculadas na seguinte ta-
bela:
Número de
Probabilidades
aprovações
0 0,73
1 0,17
2 0,07
3 0,03
Σ = 1,00
Essa tabela é denominada distribuição de probabilidade, que corresponde a

uma lista de todos os resultados possíveis de um experimento e também das
probabilidades associadas a cada um dos resultados. Obviamente, a soma
de todas as probabilidades será sempre igual a 1 (= 100%).
3. Função Distribuição de Probabilidade

Ao determinarmos a distribuição de probabilidade, estabelecemos uma corres-
pondência unívoca entre os valores da variável aleatória X e os valores da vari-
ável P. Tal correspondência define uma função. De fato, os valores xi (i = 1,
2, 3 , ... , n) formam o domínio da função e os valores pi (i = 1, 2, 3 , ... , n),
o seu conjunto imagem.

Prof. Alex Lira
Definida nesses termos, temos a denominada função probabilidade e repre-

sentada por:
𝒇(𝒙) = 𝑷(𝑿 = 𝒙𝒊 )
Assim, fica claro que a função P(X = xi) determina a distribuição de proba-
bilidade da variável aleatória X.

Por exemplo, no lançamento de um dado honesto, a variável aleatória X, defi-
nida por “faces do dado”, pode assumir os valores 1, 2, 3, ..., 6. Considerando
que a cada um destes valores está associada apenas uma probabilidade de re-
alização e que Σ P(xi) = 1, então definimos uma função de probabilidade, da
qual resulta a seguinte distribuição de probabilidade:
Face do dado (xi) Probabilidades (pi)
1 1/6
2 1/6
3 1/6
4 1/6
5 1/6
6 1/6
𝟔
∑ 𝒑𝒊 = 𝟏, 𝟎
𝒊=𝟏
3. Esperança de Variáveis Aleatórias Discretas

Existem características numéricas que são muito importantes numa distribuição
de probabilidades de uma variável aleatória discreta. Na verdade, estamos fa-
lando dos parâmetros das distribuições, que são:
 Esperança;
 Variância;
 Desvio Padrão;
 Covariância.
Dedicaremos um tópico específico à cada um dos itens acima, começando pela
Esperança.

Prof. Alex Lira
Considere mais uma vez o evento de lançamento de um dado honesto. Bem,

após efetuarmos o lançamento, sabemos exatamente os valores que saíram e
podemos calcular a média com tranquilidade.
No entanto, por vezes queremos calcular uma “média” antes de lançarmos o
dado. Mas, a verdade é que antes de jogarmos o dado não sabemos quais os
resultados sairão. Na realidade, trata-se de uma missão impossível!
Porém, a estatística nos fornece uma ferramenta que nos ajuda nessa tarefa.
Estamos falando da Esperança ou Valor Esperado, que corresponde ao valor
médio que esperaríamos encontrar se as tentativas para realizar o
evento pudessem continuar indefinidamente. Ela nos dá um indicativo de
centro, em torno do qual os possíveis valores da variável aleatória giram.
Seu valor pode ser obtido pelo cálculo:
𝒏
𝑬(𝑿) = 𝝁(𝑿) = ∑ 𝒙𝒊 × 𝒑𝒊
𝒊=𝟏
Assim, de acordo com a fórmula acima, a média de uma variável aleatória

discreta é igual à esperança.
Aplicando, então, essa informação ao lançamento de um dado, teremos:
Face do dado (xi) Probabilidades (pi) 𝒙𝒊 × 𝒑𝒊
1 1/6 1/6
2 1/6 2/6
3 1/6 3/6
4 1/6 4/6
5 1/6 5/6
6 1/6 6/6
𝟔 𝒏
∑ 𝒑𝒊 = 𝟏, 𝟎 ∑ 𝒙𝒊 × 𝒑𝒊 = 𝟑, 𝟓
𝒊=𝟏 𝒊=𝟏
Portanto, para um número muito grande de lançamentos, é razoável esperar

que a média se aproxime de 3,5. Em outras palavras, dizemos que 3,5 é a
esperança do resultado do lançamento de um dado honesto.

Prof. Alex Lira
1- (ESAF/MPU/Analista/2004) O preço de determinada ação fica cons-

tante, aumenta ou diminui R$ 1,00 por dia com probabilidades 0,3, 0,3 e 0,4
respectivamente. Assinale a opção que dá o valor esperado do preço da ação
amanhã se seu preço hoje é R$ 8,00.

a) R$ 7,90 b) R$ 8,00 c) R$ 7,00 d) R$ 9,00 e) R$ 8,50
RESOLUÇÃO:
Se o preço da ação hoje é de R$ 8,00, então:
 Há 30% de chance de o preço ficar constante (permanecer em 8,00).
 Há 30% de chance de o preço aumentar R$ 1,00 (indo para 9,00).
 Há 40% de chance de o preço cair R$ 1,00 (indo para 7,00).
Desse modo, a distribuição de probabilidades fica:
Assim, fica claro que o valor esperado é de:

𝐸(𝑋) = 7,9
Gabarito 1: A.
2- (ESAF/MDIC/ACE/2012) Paulo e João são dois mecânicos que traba-

lham em uma oficina que eles possuem e dirigem. Eles têm duas vagas para
troca de óleo para clientes que estão esperando para realizar a manutenção dos
seus motores. Além disso, sabe-se que o número de clientes na oficina para
trocarem o óleo, varia de 0 a 5 clientes. Em particular, para n = 0, 1, 2, 3, 4 e
5 clientes, a probabilidade de exatamente n clientes se encontrarem na oficina
para realizarem uma troca de óleo é
De acordo com estes dados, o número médio de clientes na oficina (L), e o

número médio de clientes esperando para serem atendidos para a troca de óleo
(Lq) é dado por:
a) L = 2,5 e Lq = 1,26.
b) L = 3 e Lq = 1,32.

Prof. Alex Lira
c) L = 2 e Lq = 1,52.
d) L = 2 e Lq = 1,12.
e) L = 3 e Lq = 1,16.
RESOLUÇÃO:
Primeiramente, vamos calcular a quantidade de clientes que vão à oficina para

trocarem óleo, pois essa informação é dada pela questão.
Nesse sentido, percebemos que L se refere à quantidade de clientes que
foram à oficina para trocar óleo. Então, vamos montar uma tabela relacio-
nando todos os seus valores e respectivas probabilidades:
L P LxP
0 1/25 0
1 2/25 2/25
2 4/25 8/25
3 9/25 27/25
4 7/25 28/25
5 2/25 10/25
Total 75/25
Assim, a esperança de L é dada por:

75
𝑬(𝑳) = =𝟑
25
Além disso, precisamos determinar a esperança de Lq, variável que indica a
quantidade de clientes esperando para serem atendidos na troca de
óleo.
Quando L = 0, 1, 2, não há clientes esperando na fila, pois há duas vagas para
troca de óleo. Na verdade, só teremos clientes esperando na fila quando houver
mais de dois clientes para troca de óleo. Exemplificando, se L = 3, então Lq = 3
− 2 = 1.
Sendo assim, podemos montar a tabela seguinte:
L Lq P LxP
0 0 1/25 0
1 0 2/25 0
2 0 4/25 0
3 1 9/25 9/25

Prof. Alex Lira
4 2 7/25 14/25
5 3 2/25 6/25
Total 29/25
Dessa maneira, tem que a esperança de Lq será:

29
𝑬(𝑳𝒒 ) = = 𝟏, 𝟏𝟔
25
Gabarito 2: E.
3.1. Propriedades da Esperança

Sejam A e B duas variáveis aleatórias, com os seus respectivos valores espera-
dos E(A) e E(B). Nesse caso, a Esperança possui as seguintes propriedades:
1ª propriedade: A esperança da soma é igual à soma das esperanças.

𝑬(𝑨 + 𝑩) = 𝑬(𝑨) + 𝑬(𝑩)
2ª propriedade: A esperança da subtração é igual à subtração das es-

peranças.
𝑬(𝑨 − 𝑩) = 𝑬(𝑨) − 𝑬(𝑩)
3ª propriedade: A esperança do produto é igual ao produto das espe-

ranças, quando as variáveis são independentes.
𝑬(𝑨 × 𝑩) = 𝑬(𝑨) × 𝑬(𝑩)
Sabemos que se as variáveis são independentes, a esperança do produto é igual

ao produto das esperanças. Mas o contrário não é verdadeiro. O fato da
esperança do produto ser igual ao produto das esperanças não garante que as
variáveis sejam independentes.
4ª propriedade: Se multiplicarmos uma variável aleatória por uma cons-

tante k, podemos retirar esta constante da esperança.
𝑬(𝒌 × 𝑨) = 𝒌 × 𝑬(𝑨)

Prof. Alex Lira
5ª propriedade: A esperança de uma constante é igual à própria cons-

tante.
𝑬(𝒌) = 𝒌
Por exemplo, Seja A uma variável aleatória de média 2. Seja B uma variável
aleatória de média 5. Sabendo que A e B são independentes, calcule a média

da variável C em que: C = A + 3AB.
Este exemplo trata de aplicações das propriedades da esperança, em que
precisamos calcular o valor esperado da variável C. Ou seja:
𝐸(𝐶) = 𝐸(𝐴 + 3𝐴𝐵)
Note que estamos diante de uma esperança de uma soma. Logo, separamos
em uma soma de esperanças.
𝐸(𝐶) = 𝐸(𝐴) + 𝐸(3𝐴𝐵)

Em seguida, temos uma constante multiplicando as variáveis aleatórias A e B.
Mas, esta constante pode sair da esperança:
𝐸(𝐶) = 𝐸(𝐴) + 3𝐸(𝐴𝐵)
Agora, ficamos com uma esperança de um produto. Visto que as variáveis
são independentes, podemos separar em um produto de esperanças:
𝐸(𝐶) = 𝐸(𝐴) + 3𝐸(𝐴) × 𝐸(𝐵)
Por fim, substituindo os valores, obtemos:
𝐸(𝐶) = 2 + 3 × 2 × 5 = 𝟑𝟐
4. Variância e Desvio Padrão de uma Variável Aleatória Discreta

A variância de um conjunto de dados é estudada lá na estatística descritiva
e se trata de uma medida de dispersão. Ela serve para indicar o quanto os
dados estão afastados da média.
Se os dados estiverem muito dispersos, os desvios serão altos, e, consequen-
temente, a variância assumirá um valor grande. Caso contrário, ou seja, se os
dados estiverem concentrados, os desvios serão pequenos, e a variância será
pequena.
Assim, a nossa tarefa consiste em calcularmos os desvios em relação à média.
Ou seja, subtraímos cada valor da média. Depois elevamos ao quadrado. E, por
fim, dividimos pelo número de observações.
Dessa maneira, meus amigos, a variância nada mais é que a média dos qua-
drados dos desvios. Em outras palavras, a variância é a esperança do qua-
drado do desvio:

Prof. Alex Lira
𝑽𝒂𝒓(𝑿) = 𝑽(𝑿) = 𝝈𝟐 = 𝑬[(𝑿 − 𝝁)𝟐 ]
Agora, vamos desenvolver o quadrado da diferença presente na fórmula acima:

𝜎 2 = 𝐸[𝑋 2 − 2𝜇𝑋 + 𝜇2 ]
Aplicando as propriedades da Esperança que estudamos, obtemos:

𝒏 𝒏 𝟐
𝝈𝟐 = 𝑬(𝑿𝟐 ) − 𝑬(𝑿)𝟐 = ∑ 𝒙𝒊 𝟐 × 𝒑𝒊 − (∑ 𝒙𝒊 × 𝒑𝒊 )
𝒊=𝟏 𝒊=𝟏
Por sua vez, o desvio-padrão da variável aleatória é dado pela raiz quadrada
da variância. Ele também fornece um indicativo da dispersão dos dados em
torno da média, com a vantagem de ter a mesma unidade dos dados originais.
4.1. Propriedades da Variância

As propriedades da variância a seguir são válidas tanto para variáveis dis-
cretas quanto contínuas:
1ª propriedade: Se somarmos ou subtraímos uma constante da variável

aleatória, a variância não se altera.
2ª propriedade: Se multiplicarmos a variável aleatória por uma cons-

tante k, a variância é multiplicada por k2.
3ª propriedade: Se dividirmos a variável aleatória por uma constante k,

a variância é dividida por k2.

Prof. Alex Lira
DISTRIBUIÇÕES DE PROBABILIDADE
1. Distribuição Uniforme Discreta

A distribuição uniforme discreta é o tipo mais simples de variável aleatória,

em que todos os valores têm a mesma probabilidade de ocorrer. Logo,
se existem n valores possíveis, cada um terá probabilidade igual a 1/n.
𝟏
𝑷(𝑿 = 𝒙𝒊 ) = 𝒑(𝒙𝒊 ) = 𝒑 =
𝒏
Por exemplo, no caso do lançamento do dado de seis faces. A variável que

designa o resultado do lançamento é discreta (podem ocorrer apenas os

valores 1, 2, 3, 4, 5 e 6). Além disso, se o dado for honesto, todos os resultados
são equiprováveis. Assim, dizemos que a variável em questão é discreta e
uniforme.
Quanto ao valor da Esperança de uma variável aleatória discreta
uniforme, ele é dado simplesmente pela medida aritmética de todos os
valores que podem ocorrer:
𝒏
𝟏
𝑬(𝑿) = × ∑ 𝒙𝒊
𝒏
𝒊=𝟏
Para o caso do lançamento de um dado honesto, a esperança fica:

1+2+3+4+5+6
𝝁= = 𝟑, 𝟓
6
3- (Cesgranrio/TJ-RO/Analista Judiciário/2008) Uma urna contém

dez bolas, cada uma gravada com um número diferente, de 1 a 10. Uma bola é
retirada da urna aleatoriamente e X é o número marcado nesta bola. X é uma
variável aleatória cujo(a)
a) desvio padrão é 10.
b) primeiro quartil é 0,25.
c) média é 5.
d) distribuição de probabilidades é uniforme.

Prof. Alex Lira
e) distribuição de probabilidades é assimétrica.

RESOLUÇÃO:
Perceba que cada bola é gravada com um número diferente que varia de 1 a
10. Logo, a variável que iremos trabalhar é discreta.
Além disso, visto que todas as possíveis realizações têm probabilidades iguais
entre si (10%), dizemos que a variável é uniforme.

Bem, o enunciado pede que determinemos qual das características elencadas
nas alternativas corresponde à variável em análise. Então, só até aqui já
“matamos” a questão, pois a informação contida na LETRA D está correta.
No entanto, podemos calcular a sua esperança, que é simplesmente a média
aritmética dos valores que X pode assumir:
1 + 2 + 3 + 4 + 5 + 6 + 7 + 8 + 9 + 10
𝝁= = 𝟓, 𝟓
10
Note que na alternativa C é dito que a média seria 5, o que claramente está
errado, de modo que confirmamos que realmente a opção correta é a letra D.
Gabarito 3: D.
2. Distribuição de Bernoulli
A Distribuição de Bernoulli é caracterizada pela existência de apenas dois
eventos, mutuamente exclusivos, que chamaremos de sucesso e fracasso.
Se a probabilidade de sucesso é p, então, logicamente a probabilidade de
fracasso é q = 1 – p.
X Probabilidade
0 q=1–p
1 p
Para exemplificar, tomemos o lançamento de uma moeda uma única vez. Caso
a aposta seja na cara, a probabilidade de sucesso é p = 1/2. Por outro lado, a
probabilidade de fracasso (coroa) é 1 – p = 1 – 1/2 = 1/2.
Além disso, é comum associar uma variável aleatória X aos possíveis resultados
do experimento, de modo que seja atribuído ao sucesso o valor 1 e ao
fracasso o valor 0. Dessa forma, teremos:
𝟏 − 𝒑, 𝐩𝐚𝐫𝐚 𝐱 = 𝟎
𝑷(𝒙) = {
𝒑, 𝐩𝐚𝐫𝐚 𝐱 = 𝟏

Prof. Alex Lira
Assim, sempre que uma variável só possa assumir os valores 0 e 1, dizemos

que ela tem distribuição de Bernoulli.
Ademais, podemos concluir que X é uma variável aleatória discreta, já que
assume apenas alguns valores, quais sejam, 0 e 1.
Por sua vez, a Esperança de uma Distribuição de Bernoulli é calculada da
seguinte forma:
𝐸(𝑋) = 0 × 𝑞 + 1 × 𝑝
𝑬(𝑿) = 𝒑
E, para finalizar, podemos determinar a Variância de uma Distribuição de

Bernoulli por meio da fórmula:
𝑉𝑎𝑟(𝑋) = 𝐸(𝑋 2 ) − 𝐸(𝑋)2 = [02 × 𝑞 + 12 × 𝑝] − 𝑝2
𝑽𝒂𝒓(𝑿) = 𝒑 − 𝒑𝟐 = 𝒑 × (𝟏 − 𝒑) = 𝒑 × 𝒒
4- (IADES/Hemocentro de Brasília-DF/Estatística/2017) Considere o

lançamento de um dado cúbico honesto cujas faces são numeradas de 1 a 6,
após o qual é observado se o número da face voltada para cima é múltiplo de
3. Tendo em vista que um experimento como esse pode apresentar apenas dois
resultados possíveis (sucesso ou falha), é correto afirmar que tal experiência
denomina-se distribuição
a) de Bernoulli.
b) hipergeométrica.
c) de Poisson.
d) normal.
e) qui-quadrado.
RESOLUÇÃO:
A distribuição de probabilidade que está associada a eventos que podem
apresentar apenas dois resultados possíveis (sucesso ou fracasso; 0 ou
1) é a Distribuição de Bernoulli.
Gabarito 4: A.

Prof. Alex Lira
5- (CESPE/TCE-PA/Auditor de Controle Externo/2016) Se as variáveis

aleatórias X e Y seguem distribuições de Bernoulli, tais que P[X = 1] = P[Y = 0]
= 0,9, então a distribuição de X2 é Bernoulli com média igual a 0,81.
RESOLUÇÃO:
Como a variável aleatória X só assume os valores 0 e 1, ela realmente segue
a Distribuição de Bernoulli. Vamos ver o caso de X2, que assume os valores:

 12 = 1, com probabilidade igual a 0,9;
 02 = 0, com probabilidade igual a 1 – 0,9 = 0,1.
Com relação a sua média, temos:
𝑬(𝑿) = 0 × 0,1 + 1 × 0,9 = 𝟎, 𝟗
Gabarito 5: errado.
6- (Funiversa/SEJUS-DF/Estatístico/2010) Para uma determinada mo-

eda “viciada”, a probabilidade de se obter um resultado “cara” é igual a 30%.
Seja, então, a variável aleatória X que assume apenas os valores 0 e 1, sendo
0 para resultado “coroa” e 1 para resultado “cara”. Assinale a alternativa que
apresenta, respectivamente, o valor médio e a variância de X.
a) 0,21 e 0,3
b) 0,7 e 0,21
c) 0,21 e 0,7
d) 0,3 e 0,21
e) 0,3 e 0,7
RESOLUÇÃO:
Inicialmente, o enunciado afirma que a probabilidade de se obter um resultado
“cara” é igual a 30%. Logo, podemos concluir que a probabilidade de sucesso
é 30% e a de fracasso é 70%:
𝑝 = 0,3 ; 𝑞 = 0,7
Em seguida, a questão pede o valor médio e a esperança de X:
𝝁 = 𝒑 = 𝟎, 𝟑
𝑽𝒂𝒓(𝑿) = 𝑝𝑞 = 0,3 × 0,7 = 𝟎, 𝟐𝟏
Gabarito 6: D.
3. Distribuição Binomial
Vimos que na Distribuição de Bernoulli a realização do evento ocorria uma
única vez, conduzindo a sucesso ou fracasso. Por exemplo, Uma peça é

Prof. Alex Lira
escolhida ao acaso de um lote contendo 500 peças; essa peça é defeituosa ou

não?
Imagine, agora, que repetimos um experimento de Bernoulli por n vezes, isto
é, constituído de uma sequência de sucessos e fracassos. Exemplificando, se o
número de repetições fosse 5 vezes (n = 5), um particular resultado pode ser
FSSFS. Logo, o número de sucessos nessa amostra é igual a 3, sendo 2 o
número de fracassos. E, por fim, a probabilidade de tal amostra será:

(𝟏 − 𝒑)𝒑𝒑(𝟏 − 𝒑)𝒑 = 𝒑𝟑 (𝟏 − 𝒑)𝟐
Nessa situação, trabalharemos com uma nova ferramenta, recorreremos à
Distribuição de Probabilidade Binomial, que possui as seguintes
características:
1. O experimento deve ser repetido, nas mesmas condições,

DISTRIBUIÇÃO BINOMIAL
um número finito de vezes (n)
2. As tentativas devem ser independentes, ou seja, o

resultado de qualquer uma não afeta as probabilidades nas
outras tentativas
3. Cada tentativa deve ter todos os resultados classificados em

duas categorias: sucesso e fracasso
4. No decorrer do experimento, a probabilidade p do sucesso e

a probabilidade q (= 1 – p) do fracasso devem manter-se
constantes.
Perceba que com a Distribuição Binomial resolveremos problemas do tipo:

determinar a probabilidade de se obterem k sucessos em n tentativas.
Em uma distribuição binomial, a probabilidade de a variável aleatória X assumir
um valor k pode ser calculada por meio da fórmula da probabilidade
binomial:
𝒏
𝑷(𝑿 = 𝒌) = ( ) × 𝒑𝒌 × 𝒒𝒏−𝒌
𝒌
Em que:
 n é a quantidade de experimentos;
 p é a probabilidade de sucesso em cada experimento;
 q e a probabilidade de fracasso em cada experimento;

Prof. Alex Lira
 k representa a quantidade de sucessos para a qual estamos querendo

calcular a probabilidade;
 (𝒏𝒌) é o coeficiente binomial de n sobre k, calculado da seguinte forma:
𝒏 𝒏!
( )=
𝒌 𝒌! (𝒏 − 𝒌)!
Por fim, a média (Esperança) e a variância de uma variável aleatória

binomial, com parâmetros n e p, são dadas, respectivamente, por:
𝑬(𝑿) = 𝒏𝒑
𝑽𝒂𝒓(𝑿) = 𝒏𝒑𝒒
Por exemplo, considere que uma moeda é lançada 5 vezes seguidas e

independentes. Calcule a probabilidade de serem obtidas 3 caras.
Temos cinco lançamentos ou três experimentos. Logo, n = 5.
Além disso, precisamos saber que, em cada experimento, a probabilidade de
sucesso (ou ainda: a probabilidade de obter cara) é de 1/2 (p = 1/2). Por sua
vez, a probabilidade de fracasso é 1/2 (q = 1 – 1/2 = 1/2).
O nosso objetivo consiste em determinar a probabilidade de ocorrerem três
caras (k = 3). Nesse caso, recorreremos à fórmula da probabilidade
binomial:
𝑛
𝑃(𝑋 = 𝑘) = ( ) × 𝑝𝑘 × 𝑞 𝑛−𝑘
𝑘
5 1 3 1 5−3 5! 1 5 5 × 4 × 3! 1
𝑷(𝑿 = 𝟑) = ( ) × ( ) × ( ) = ×( ) = ×
3 2 2 3! 2! 2 3! 2! 32
𝟓
𝑷(𝑿 = 𝟑) = = 𝟑𝟏, 𝟐𝟓%
𝟏𝟔
Agora jogando-se um dado três vezes, determine a probabilidade de se obter

um múltiplo de 3 duas vezes.
Agora temos três experimentos (n = 3), em que o sucesso corresponde a
obter um múltiplo de 3 no lançamento de um dado, de modo que existem dois
casos favoráveis (3 e 6) em seis possíveis (1, 2, 3, 4, 5, 6). Assim, a
probabilidade do sucesso é de:
2 𝟏
𝒑= =
6 𝟑
Consequentemente, a probabilidade do fracasso obtém-se da seguinte
maneira:

Prof. Alex Lira
1 𝟐
𝒒=1−𝑝 =1− =
3 𝟑
Agora precisamos calcular a probabilidade de se obter um múltiplo de 3 duas
vezes (k = 2). Nesse caso, usaremos a fórmula da probabilidade binomial:
3 1 2 2 3−2 3! 1 2 3 × 2! 1 2
𝑷(𝑿 = 𝟐) = ( ) × ( ) × ( ) = × × = × ×
2 3 3 2! 1! 9 3 2! 9 3
𝟐
𝑷(𝑿 = 𝟐) =
𝟗
7- (ESAF – AFC/CGU/2008) Seja X a soma de n variáveis aleatórias in-

dependentes de Bernoulli, isto é, que assumem apenas os valores 1 e 0 com
probabilidades p e 1-p, respectivamente. Assim, a distribuição de X é:

a) Binomial com parâmetros n e p.
b) Gama com parâmetros n e p.
c) Qui quadrado com n graus de liberdade.
d) Laplace.
e) "t" de Student com n-1 graus de liberdade.
RESOLUÇÃO:
O enunciado apresenta X como sendo a variável correspondente à soma de n
variáveis aleatórias independentes de Bernoulli, com média p e variância 𝒑 ×
(𝟏 − 𝒑).
Caso somemos as realizações de X, em n experimentos independentes,
obtemos a variável Y, calculada por:
𝒏
𝒀 = ∑ 𝑿𝒊
𝒊=𝟏
Aplicando as propriedades da Esperança que estudamos, temos:
𝐸(𝑌) = 𝐸 (∑ 𝑋𝑖 )
𝐸(𝑌) = ∑ 𝐸(𝑋𝑖 ) = 𝑛𝑝
Similarmente, para a variância, temos:
𝑉𝑎𝑟(𝑌) = 𝑉𝑎𝑟 (∑ 𝑋𝑖 )

Prof. Alex Lira
Levando em conta que as variáveis Xi são independentes, a variância da soma

é igual à soma das variâncias:
𝑉𝑎𝑟(𝑌) = ∑ 𝑉𝑎𝑟(𝑋𝑖 ) = 𝑛 × (𝑝 × (1 − 𝑝)) = 𝑛 × 𝑝 × (1 − 𝑝)
E, visto que 𝒒 = 𝟏 − 𝒑, concluímos que a variância de Y é dada por:

𝑉𝑎𝑟(𝑌) = 𝑛𝑝𝑞
E, por fim, recorrendo ao conhecimento da Análise Combinatória, é possível
notarmos que a fórmula da probabilidade para Y é:
𝑷(𝒀 = 𝒌) = 𝑪𝒏,𝒌 × 𝒑𝒌 × 𝒒𝒏−𝒌
Bem essa distribuição de probabilidade é conhecida por Binomial, com

parâmetros n e p.
Gabarito 7: A.
8- (ESAF – Analista Técnico/SUSEP/2006) Se p é a probabilidade de

um evento acontecer em uma tentativa única e seu complemento (1 - p) é a
probabilidade do evento não ocorrer (distribuição binomial), então a probabili-
dade do evento ocorrer exatamente X vezes, em n tentativas é dada por:
a) 𝑃(𝑋) = 𝐶𝑛,𝑥 𝑝 𝑥 𝑞 𝑛−𝑥
b) 𝑃(𝑋) = 1 − 𝑝 𝑥 𝑞𝑛−𝑥
c) 𝑃(𝑋) = 𝑝 𝑥 𝑞𝑛−𝑥
d) 𝑃(𝑋) = 1 + 𝐶𝑛,𝑥 𝑝 𝑥 𝑞𝑛−𝑥
e) 𝑃(𝑋) = 𝑝 𝑥 𝑞 𝑛−𝑥
RESOLUÇÃO:
Trata-se de uma questão cobrando diretamente o conhecimento da fórmula
da distribuição binomial.
Sabemos que a probabilidade do sucesso é p. Ora, se temos x casos
favoráveis, então a probabilidade da intersecção, fica:
𝒑𝒙
Também, a probabilidade do fracasso é q. Como são (n – x) casos
desfavoráveis, a probabilidade de ocorrência destes casos é dada por:
𝒒𝒏−𝒙
Além disso, a probabilidade de x sucessos, seguidos de (n – x) fracassos é
dada pelo produto dos dois valores acima:
𝒑𝒙 × 𝒒𝒏−𝒙

Prof. Alex Lira
E, considerando que podemos escolher quaisquer x eventos, dentre os n

disponíveis, para alocar os sucessos, concluímos que estamos diante de uma
Combinação de n elementos, tomados x a x. Assim:
𝑷(𝑿) = 𝑪𝒏,𝒙 × 𝒑𝒙 × 𝒒𝒏−𝒙

Gabarito 8: A.
9- (ESAF/Receita Federal do Brasil/AFRFB/2009) Em um experimento

binomial com três provas, a probabilidade de ocorrerem dois sucessos é doze
vezes a probabilidade de ocorrerem três sucessos. Desse modo, as probabilida-
des de sucesso e fracasso são, em percentuais, respectivamente, iguais a:
a) 80 % e 20 %
b) 30 % e 70 %
c) 60 % e 40 %
d) 20 % e 80 %
e) 25 % e 75 %
RESOLUÇÃO:
Em uma distribuição binomial, a probabilidade de a variável aleatória X assumir
um valor k pode ser calculada por meio da fórmula da probabilidade
binomial:
𝒏
𝑷(𝑿 = 𝒌) = ( ) × 𝒑𝒌 × 𝒒𝒏−𝒌
𝒌
Em que q é igual a (1 – p).
O enunciado afirma que a “probabilidade de ocorrerem dois sucessos é doze
vezes a probabilidade de ocorrerem três sucessos”. Logo, a probabilidade de
exatamente dois sucessos em três experimentos será:
3 3!
𝑷(𝑿 = 𝟐) = ( ) × 𝑝2 × 𝑞1 = × 𝑝2 × 𝑞 = 𝟑 × 𝒑𝟐 × 𝒒
2 2! 1!
Por sua vez, teremos a seguinte probabilidade para exatamente três
sucessos em três experimentos:
3
𝑷(𝑿 = 𝟑) = ( ) × 𝑝3 × 𝑞 3−3 = 𝒑𝟑
3
A questão deixou claro que a primeira probabilidade é doze vezes a segunda:
3 × 𝑝2 × 𝑞 = 12 × 𝑝3
Agora, dividindo ambos os lados por p2:
3𝑞 = 12𝑝

Prof. Alex Lira
𝒒 = 𝟒𝒑
E, por fim, lembrando que q = 1 – p, obtemos:
1 − 𝑝 = 4𝑝
5𝑝 = 1
𝒑 = 0,2 = 𝟐𝟎%
𝒒 = 1 − 0,2 = 0,8 = 𝟖𝟎%
Gabarito 9: D.
10- (ESAF/CGU/TFC/2008) Em um hospital, 20% dos enfermos estão aco-

metidos de algum tipo de infecção hospitalar. Para dar continuidade às pesqui-
sas que estão sendo realizadas para controlar o avanço deste tipo de infecção,
cinco enfermos desse hospital são selecionados, ao acaso e com reposição. A
probabilidade de que exatamente três dos enfermos selecionados não estejam

acometidos de algum tipo de infecção hospitalar é igual a:
a) (0,8)3 (0,2)2
b) 10 (0,8)2 (0,2)3
c) (0,8)2 (0,2)3
d) 10 (0,8)3 (0,2)2
e) (0,8)3 (0,2)0
RESOLUÇÃO:
Vamos chamar de p a probabilidade de o enfermo não estar acometido por
algum tipo de infecção.
Logo de início o enunciado diz que “20% dos enfermos estão acometidos de
algum tipo de infecção hospitalar”. Assim, podemos concluir que:
𝒑 = 100% − 20% = 𝟖𝟎%
Em seguida, temos a informação de que os cinco enfermos do hospital são
escolhidos com reposição, de modo que o número de enfermos não
acometidos por infecção segue uma distribuição binomial, com parâmetros
n = 5 e p = 0,8.
Bem, o nosso objetivo consiste em determinar a probabilidade de que
exatamente três dos enfermos selecionados não estejam acometidos de algum
tipo de infecção hospitalar. Logo:
𝑛
𝑃(𝑋 = 𝑘) = ( ) × 𝑝𝑘 × 𝑞 𝑛−𝑘
𝑘
5 5!
𝑃(𝑋 = 3) = ( ) × (0,8)3 × (0,2)5−3 = × (0,8)3 × (0,2)2 =
3 3! 2!

Prof. Alex Lira
𝑷(𝑿 = 𝟑) = 10 × (0,8)3 × (0,2)2
Gabarito 10: D.
11- (ESAF – AFC/CGU/2008) Seja X uma variável aleatória discreta com

função de probabilidade binomial f(x), onde f(x)= Cn,x px(1-p)n-x e Cn,x é o nú-
mero de combinações de n elementos tomados x a x. Sendo n = 6 e p = 1/3,
determine f(6).
a) 1/729. b) 1. c) 0. d) 64/729. e) 8/729.
RESOLUÇÃO:
Questão super tranquila. Basta substituirmos na função apresentada x por 6,
n por 6 e p por 1/3, conforme os dados fornecidos no enunciado:
1 6 2 6−6 1 6 2 0 𝟏
𝒇(𝟔) = 𝐶6,6 × ( ) × ( ) =1×( ) ×( ) =
3 3 3 3 𝟕𝟐𝟗
Gabarito 11: A.
12- (ESAF - Analista Técnico/SUSEP/2010) Uma urna contém bolas ver-

melhas, azuis, amarelas e pretas. O número de bolas pretas é duas vezes o
número de bolas azuis, o número de bolas amarelas é cinco vezes o número de
bolas vermelhas, e o número de bolas azuis é duas vezes o número de bolas
amarelas. Se as bolas diferem apenas na cor, ao se retirar ao acaso três bolas
da urna, com reposição, qual a probabilidade de exatamente duas bolas serem
pretas?
a) 100/729. b) 100/243. c) 10/27. d) 115/243. e) 25/81.
RESOLUÇÃO:
O enunciado inicia apresentando informações relativas à quantidade de bolas
contidas na urna e suas respectivas cores. Suponhamos que temos 1 bola
vermelha. Logo:
 5 bolas amarelas (igual a 5 vezes o número de bolas vermelhas);
 10 bolas azuis (igual a 2 vezes o número de bolas amarelas);
 20 bolas pretas (igual a 2 vezes o número de bolas azuis);
Nessa situação, teremos, então, 36 bolas na urna.
Num sorteio, a probabilidade uma bola preta ser escolhida é dada pela razão
de 20 casos favoráveis e 36 possíveis:
20 𝟓
=
36 𝟗

Prof. Alex Lira
Dessa forma, a probabilidade de não ser escolhida uma bola preta é de:
5 𝟒
1− =
9 𝟗
Em seguida, a questão trata do evento de retirada ao acaso de 3 bolas da urna
obter-se 2 bolas pretas. Ora, em três experimentos independentes, queremos
exatamente dois sucessos (k = 2). Assim, precisamos determinar a

probabilidade de ocorrência desse evento numa distribuição binomial de
parâmetros n = 3 e p = 5/9:
𝑃(𝑋 = 𝑘) = 𝐶𝑛,𝑘 × 𝑝𝑘 × 𝑞 𝑛−𝑘
5 2 4 3−2 25 4 𝟏𝟎𝟎
𝑷(𝑿 = 𝟐) = 𝐶3,2 × ( ) × ( ) =3× × =
9 9 81 9 𝟐𝟒𝟑
Gabarito 12: B.
13- (ESAF - ATPS/MPOG/2012) Uma moeda é dita não viciada quando a

probabilidade de ocorrer cara for igual à probabilidade de ocorrer coroa. Assim,
lançando-se 6 vezes uma moeda não viciada, a probabilidade de se obter exa-
tamente 5 caras é igual a:
a) 3/32 b) 1/64 c) 3/64 d) 1/32 e) 5/32
RESOLUÇÃO:
Estamos diante de uma distribuição binomial de parâmetros n = 6
(correspondente a seis lançamentos da moeda) e p = 0,5 (probabilidade de
obter cara é de 50% em cada lançamento).
O nosso objetivo consiste em determinar a probabilidade de se obter
exatamente 5 caras em 6 lançamentos. Então, aplicando a fórmula da
distribuição binomial, obtemos:
𝑃(𝑋 = 𝑘) = 𝐶𝑛,𝑘 × 𝑝𝑘 × 𝑞 𝑛−𝑘
1 6 1 𝟑
𝑷(𝑿 = 𝟓) = 𝐶6,5 × (0,5)5 × (0,5)6−5 = 6 × (0,5)6 = 6 × ( ) = 6 × =
2 64 𝟑𝟐
Gabarito 13: A.
14- (ESAF - AFRE/SEFAZ-MG/2005) Suponha que a probabilidade de que

se encontre um erro contábil grave em uma auditoria seja 0,2. Se dez auditorias
independentes são realizadas, assinale a opção que dá a probabilidade de que
não mais do que uma detecte erro contábil grave.
a) 2,8(4/5)
b) 0,400
c) (0, 2)10

Prof. Alex Lira
d) 2,8 (4/5)10
e) 2,8 (4/5)9
RESOLUÇÃO:
Estamos diante de uma distribuição binomial de parâmetros n = 10
(correspondente a dez auditorias) e p = 0,2 (probabilidade de erro grave).
O nosso objetivo consiste em determinar a probabilidade de que não mais do

que uma auditoria detecte erro contábil grave. Assim, a variável pode assumir
os valores 0 ou 1, de modo que precisaremos aplicar a fórmula da
distribuição binomial por duas vezes, para os casos de k = 0 e k = 1,
somando-os:
𝑷(𝑿 ≤ 𝟏) = 𝑷(𝑿 = 𝟎) + 𝑷(𝑿 = 𝟏)
𝑃(𝑋 ≤ 1) = 𝐶10,0 × (0,2)0 × (0,8)10−0 + 𝐶10,1 × (0,2)1 × (0,8)10−1
𝑃(𝑋 ≤ 1) = 1 × 1 × 0,810 + 10 × 0,2 × 0,89 = 0,810 + 2 × 0,89

𝑃(𝑋 ≤ 1) = 0,8 × 0,89 + 2 × 0,89
𝑃(𝑋 ≤ 1) = 0,89 × (0,8 + 2) = 2,8 × 0,89
E, sabendo que 0,8 = 4/5, temos:
𝟗
𝑷(𝑿 ≤ 𝟏) = 𝟐, 𝟖 × (𝟒⁄𝟓)
Gabarito 14: E.
15- (Universa/SEJUS – DF/2010) Em certo plano amostral, em uma po-

pulação de 100 elementos, optou-se pelo seguinte critério: joga-se uma moeda
(honesta) e, se der cara, o elemento entra na amostra; se der coroa, ele não
entra na amostra. Qual o tamanho esperado dessa amostra?
a) 10 b) 20 c) 30 d) 40 e) 50
RESOLUÇÃO:
Vamos chamar de X a quantidade de elementos selecionados. Perceba que X é
uma variável binomial com n = 100 e p = 0,5.
Assim, a média de X fica:
𝑬(𝑿) = 𝑛𝑝 = 100 × 0,5 = 𝟓𝟎
Gabarito 15: E.
4. Distribuição de Poisson
Vimos que na distribuição binomial o experimento ocorria um número limitado
de vezes (n). Agora suponha que tivéssemos uma quantidade muito grande de
ocorrências da amostra em análise, sem limitação superior.

Prof. Alex Lira
Bem, nessa situação, é possível demonstrar que a fórmula da distribuição

binomial pode ser aproximada por:
𝒆−𝒏𝒑 × (𝒏𝒑)𝒌
𝑷(𝑿 = 𝒌) =
𝒌!
E, dessa maneira, obtemos a fórmula da Distribuição de Poisson, que é

uma distribuição de probabilidade discreta que descreve muito bem a
ocorrência de eventos ao longo de intervalos específicos, como tempo,
distância, área, volume ou alguma unidade similar. Veja alguns exemplos
práticos:
 O número de carros que entram num estacionamento rotativo durante 10
minutos;
 O número de chamadas recebidas pela central telefônica do SAMU durante 5
minutos;
 O número de frutos defeituosos por hectare de plantação.
É importante frisar que tais ocorrências devem ser aleatórias, independentes

umas das outras e uniformemente distribuídas sobre o intervalo em uso.
Em relação à fórmula acima, dois aspectos merecem destaque. O primeiro diz
respeito ao símbolo e. Ele representa um número real, que vale
aproximadamente 2,7. O segundo detalhe é que o produto np às vezes é
substituído pela letra λ (Lâmbda), que corresponde ao número esperado de
ocorrências (Média ou Esperança). Assim:
𝑬(𝑿) = 𝑽𝒂𝒓(𝑿) = 𝝀
16- (ESAF/Receita Federal do Brasil/AFRFB/2009) O número de petro-

leiros que chegam a uma refinaria ocorre segundo uma distribuição de Poisson,
com média de dois petroleiros por dia. Desse modo, a probabilidade de a refi-
naria receber no máximo três petroleiros em dois dias é igual a:
32 3 71 71 32
a) 73
× 𝑒 −4 b) 71
× 𝑒4 c) 3
× 𝑒 −4 d) 3
× 𝑒 −2 a) 3
× 𝑒 −2
RESOLUÇÃO:
Precisamos calcular a probabilidade da ocorrência de um evento ao longo de
um intervalo de tempo. Qual a ferramenta que utilizaremos? Isso mesmo,
estamos diante de uma típica questão da Distribuição de Poisson! Aliás, a

Prof. Alex Lira
própria questão disse isso expressamente: “ocorre segundo uma distribuição

de Poisson...”
Inicialmente, o enunciado afirma que chegam a uma refinaria em média dois
petroleiros por dia. Todavia, o período que estamos considerando para o cálculo
da probabilidade é de 2 dias. Logo, em média esperam-se 4 petroleiros:
𝝀=𝟒
Além disso, como são “no máximo três petroleiros”, precisaremos aplicar a
fórmula da distribuição de Poisson várias vezes, para os casos de k = 0, k
= 1, k = 2 e k = 3:
𝑷(𝑿 ≤ 𝟑) = 𝑷(𝑿 = 𝟎) + 𝑷(𝑿 = 𝟏) + 𝑷(𝑿 = 𝟐) + 𝑷(𝑿 = 𝟑)
𝑒 −4 × 40 𝑒 −4 × 41 𝑒 −4 × 42 𝑒 −4 × 43 40 41 42 43
𝑃= + + + = 𝑒 −4 × ( + + + )
0! 1! 2! 3! 0! 1! 2! 3!
32 32 39 + 32 𝟕𝟏
𝑷 = 𝑒 −4 × (1 + 4 + 8 + ) = 𝑒 −4 × (13 + ) = 𝑒 −4 × ( ) = 𝒆−𝟒 ×
3 3 3 𝟑
Gabarito 16: C.
17- (ESAF - AFPS/INSS/2002) Sabe-se que o número de clientes que pro-

curam atendimento numa agência da previdência no período das 17 às 18 horas
tem distribuição de Poisson com média de 3 clientes.
Assinale a opção que dá o valor da probabilidade de que mais de 2 clientes
apareçam no período.
Sabe-se que e-3 = 0,0498, sendo "e" o número neperiano.
a) 0,776 b) 0,667 c) 0,500 d) 0,577 e) 1,000
RESOLUÇÃO:
O enunciado afirma que o número de clientes atendidos tem distribuição de
Poisson com média de 3 clientes:
𝝀=𝟑
Em seguida, a questão pede a probabilidade de que mais de 2 clientes
procurem atendimento no período em consideração. Para isso, precisamos
determinar a probabilidade de que dois clientes ou menos apareçam, pois:
𝑷(𝑿 > 𝟐) = 𝟏 − 𝑷(𝑿 ≤ 𝟐)
Muito bem, vamos calcular as probabilidades da distribuição de Poisson para os
casos de k = 0, k = 1 e k = 2:
𝑒 −3 × 30
𝑷(𝑿 = 𝟎) = = 𝒆−𝟑
0!
𝑒 −3 × 31
𝑷(𝑿 = 𝟏) = = 𝟑𝒆−𝟑
1!

Prof. Alex Lira
𝑒 −3 × 32
𝑷(𝑿 = 𝟐) = = 𝟒, 𝟓𝒆−𝟑
2!
Dessa forma, somando as três probabilidades, temos:
𝑃(𝑋 ≤ 2) = 𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) + 𝑃(𝑋 = 2)
𝑷(𝑿 ≤ 𝟐) = 𝑒 −3 + 3𝑒 −3 + 4,5𝑒 −3 = 𝟖, 𝟓𝒆−𝟑
E, por fim, substituímos o resultado encontrado na equação:

𝑃(𝑋 > 2) = 1 − 𝑃(𝑋 ≤ 2)
𝑷(𝑿 > 𝟐) = 1 − 8,5𝑒 −3 = 1 − 8,5 × 0,0498 ≈ 𝟎, 𝟓𝟕𝟕
Gabarito 17: D.
18- (ESAF – ATPS/MPOG/2012) Amanda é médica ginecologista e, du-

rante os finais de semana, ela recebe, em média, 2 chamadas por hora em seu
telefone celular. Assim, a probabilidade de, no próximo final de semana,
Amanda receber exatamente 3 chamadas em 2 horas é igual a:
43 −3 4 −3 4 43 −4 4 −3 −4 43 −4
a) 𝑒 b) 𝑒 c) 𝑒 d) 𝑒 e) 𝑒
4! 3! 3! 3! 4!
RESOLUÇÃO:
Se a médica recebe, em média, duas chamadas por hora, então em 2 horas são
esperadas 4 chamadas. Assim, o parâmetro λ da distribuição de Poisson é igual
a 4.
Além disso, a quantidade de sucessos em que estamos interessados
corresponde às 3 chamadas recebidas por Amanda. Logo, k = 3.
Desse modo, vamos aplicar a fórmula da probabilidade para tal distribuição:
𝑒 −𝜆 × 𝜆𝑘
𝑃(𝑋 = 𝑘) =
𝑘!
𝑒 −4 × 43
𝑃(𝑋 = 3) =
3!
Gabarito 18: C.
19- (ESAF – Ministério do Turismo/Estatístico/2014) Uma máquina de

produzir garrafas apresenta 2% das garrafas com algum tipo de defeito. Rei-
naldo, que é engenheiro de produção, está realizando um trabalho para diminuir
o percentual de garrafas defeituosas. Para dar continuidade ao trabalho, ele
precisa conhecer a probabilidade de se obter 3 garrafas defeituosas. Para tanto,
Reinaldo retirou, aleatoriamente, uma amostra de 100 garrafas. Sabendo-se
que Reinaldo utilizou a Distribuição de Poisson para calcular de modo aproxi-
mado essa probabilidade, então o resultado obtido por Reinaldo é igual a:

Prof. Alex Lira
4 4 1 4 2
a) 3 𝑒 −2 b) 3 𝑒 1/2 c) 3 𝑒 −1/2 d) 3 𝑒 −1/2 e) 3 𝑒 −2
RESOLUÇÃO:
Logo no início do enunciado é dito que a “máquina de produzir garrafas
apresenta 2% das garrafas com algum tipo de defeito”. Consequentemente, em
100 garrafas esperamos que hajam duas defeituosas. Assim, o número
esperado (Esperança ou Média) de garrafas defeituosas é 2:

𝝀=𝟐
Além disso, a quantidade de sucessos em que estamos interessados
corresponde às 3 garrafas defeituosas no exame conduzido por Reinaldo. Logo,
k = 3.
Desse modo, a probabilidade para a Distribuição de Poisson é:
𝑒 −𝜆 × 𝜆𝑘
𝑃(𝑋 = 𝑘) =
𝑘!
𝑒 −2 × 23 𝑒 −2 × 8 𝒆−𝟐 × 𝟒
𝑷(𝑿 = 𝟑) = = =
3! 6 𝟑
Gabarito 19: A.
20- (ESAF – Ministério do Turismo/Estatístico/2014) Matias é arquiteto

e está desenvolvendo o projeto para um grande condomínio horizontal. Os con-
dôminos sempre estão em contato com Matias perguntando quando o projeto
ficará pronto. Sabendo-se que Matias recebe desses condôminos, em média, 2
mensagens por dia em seu celular, então a probabilidade de Matias receber 2
mensagens em 4 dias é igual a:
1 8 1 8 1 −8
a) 32
𝑒 b) 32𝑒 −8 c) 64𝑒 −8 d) 64
𝑒 e) 64
𝑒
RESOLUÇÃO:
Note que a questão nada falou sobre qual das distribuições de probabilidade
iremos trabalhar. No entanto, é possível perceber que estamos lidando com um
evento que ocorre ao longo de um intervalo de tempo, de modo que
usaremos a distribuição de Poisson.
Se Matias recebe, em média, duas mensagens por dia, então em 4 dias
esperados oito mensagens. Logo, o número esperado (Esperança ou Média) de
mensagens é 8:
𝝀=𝟐
Assim, a probabilidade de k = 2 mensagens é dada por:
𝑒 −8 × 82 64
𝑷(𝑿 = 𝟐) = = × 𝑒 −8 = 𝟑𝟐 × 𝒆−𝟖
2! 4
Gabarito 20: B.

Prof. Alex Lira
21- (ESAF - ANAC/Especialista/2016) Uma distribuição Binomial pode ser

aproximada por uma distribuição de Poisson, quando a probabilidade do evento
é pequena de ocorrer e a população considerada é relativamente grande. As-
suma esta aproximação para o problema descrito a seguir. Considere que pas-
sageiros chegam a um aeroporto a uma taxa média de três passageiros por
segundo. Pede-se para determinar, com uma boa aproximação, qual a probabi-
lidade (P) de que não mais de dois passageiros chegarão ao aeroporto em um
intervalo de um segundo (caso seja necessário, use o valor de e1 = 2,72).
a) P=0,28 b) P=0,22 c) P=0,36 d) P=0,25 e) P=0,42
RESOLUÇÃO:
A questão inicia apresentando uma importante característica da Distribuição de
Poisson: “Uma distribuição Binomial pode ser aproximada por uma
distribuição de Poisson, quando a probabilidade do evento é pequena de

ocorrer e a população considerada é relativamente grande”.
Em seguida, é dito que “passageiros chegam a um aeroporto a uma taxa
média de três passageiros por segundo”. Logo:
𝝀=𝟑
E, por fim, pede-se para calcularmos a probabilidade de que não mais de dois
passageiros chegarem ao aeroporto em um intervalo de 1 segundo. Assim, a
variável pode assumir os valores 0, ou 1, ou 2, de modo que precisaremos
aplicar a fórmula da distribuição de Poisson várias vezes, para os casos de
k = 0, k = 1 e k = 2:
𝑷(𝑿 ≤ 𝟐) = 𝑷(𝑿 = 𝟎) + 𝑷(𝑿 = 𝟏) + 𝑷(𝑿 = 𝟐)
𝑒 −3 × 30 𝑒 −3 × 31 𝑒 −3 × 32 30 31 32
𝑃= + + = 𝑒 −3 × ( + + )
0! 1! 2! 0! 1! 2!
9 8,5 8,5
𝑷 = 𝑒 −3 × (1 + 3 + ) = 𝑒 −3 × (4 + 4,5) = 8,5 × 𝑒 −3 = 3 = ≈ 𝟎, 𝟒𝟐
2 𝑒 2,723
Gabarito 21: E.

Prof. Alex Lira
LISTA DE QUESTÕES
1- (ESAF/MPU/Analista/2004) O preço de determinada ação fica cons-

tante, aumenta ou diminui R$ 1,00 por dia com probabilidades 0,3, 0,3 e 0,4
respectivamente. Assinale a opção que dá o valor esperado do preço da ação
amanhã se seu preço hoje é R$ 8,00.
a) R$ 7,90 b) R$ 8,00 c) R$ 7,00 d) R$ 9,00 e) R$ 8,50
2- (ESAF/MDIC/ACE/2012) Paulo e João são dois mecânicos que traba-

lham em uma oficina que eles possuem e dirigem. Eles têm duas vagas para
troca de óleo para clientes que estão esperando para realizar a manutenção dos
seus motores. Além disso, sabe-se que o número de clientes na oficina para
trocarem o óleo, varia de 0 a 5 clientes. Em particular, para n = 0, 1, 2, 3, 4 e
5 clientes, a probabilidade de exatamente n clientes se encontrarem na oficina
para realizarem uma troca de óleo é
De acordo com estes dados, o número médio de clientes na oficina (L), e o

número médio de clientes esperando para serem atendidos para a troca de óleo
(Lq) é dado por:
a) L = 2,5 e Lq = 1,26.
b) L = 3 e Lq = 1,32.
c) L = 2 e Lq = 1,52.
d) L = 2 e Lq = 1,12.
e) L = 3 e Lq = 1,16.
3- (Cesgranrio/TJ-RO/Analista Judiciário/2008) Uma urna contém

dez bolas, cada uma gravada com um número diferente, de 1 a 10. Uma bola é
retirada da urna aleatoriamente e X é o número marcado nesta bola. X é uma
variável aleatória cujo(a)
a) desvio padrão é 10.
b) primeiro quartil é 0,25.
c) média é 5.
d) distribuição de probabilidades é uniforme.

Prof. Alex Lira
e) distribuição de probabilidades é assimétrica.
4- (IADES/Hemocentro de Brasília-DF/Estatística/2017) Considere o

lançamento de um dado cúbico honesto cujas faces são numeradas de 1 a 6,
após o qual é observado se o número da face voltada para cima é múltiplo de
3. Tendo em vista que um experimento como esse pode apresentar apenas dois
resultados possíveis (sucesso ou falha), é correto afirmar que tal experiência
denomina-se distribuição
a) de Bernoulli.
b) hipergeométrica.
c) de Poisson.
d) normal.
e) qui-quadrado.
5- (CESPE/TCE-PA/Auditor de Controle Externo/2016) Se as variáveis

aleatórias X e Y seguem distribuições de Bernoulli, tais que P[X = 1] = P[Y = 0]
= 0,9, então a distribuição de X2 é Bernoulli com média igual a 0,81.
6- (Funiversa/SEJUS-DF/Estatístico/2010) Para uma determinada mo-

eda “viciada”, a probabilidade de se obter um resultado “cara” é igual a 30%.
Seja, então, a variável aleatória X que assume apenas os valores 0 e 1, sendo
0 para resultado “coroa” e 1 para resultado “cara”. Assinale a alternativa que
apresenta, respectivamente, o valor médio e a variância de X.
a) 0,21 e 0,3
b) 0,7 e 0,21
c) 0,21 e 0,7
d) 0,3 e 0,21
e) 0,3 e 0,7
7- (ESAF – AFC/CGU/2008) Seja X a soma de n variáveis aleatórias in-

dependentes de Bernoulli, isto é, que assumem apenas os valores 1 e 0 com
probabilidades p e 1-p, respectivamente. Assim, a distribuição de X é:
a) Binomial com parâmetros n e p.
b) Gama com parâmetros n e p.
c) Qui quadrado com n graus de liberdade.

Prof. Alex Lira
d) Laplace.
e) "t" de Student com n-1 graus de liberdade.
8- (ESAF – Analista Técnico/SUSEP/2006) Se p é a probabilidade de

um evento acontecer em uma tentativa única e seu complemento (1 - p) é a
probabilidade do evento não ocorrer (distribuição binomial), então a probabili-

dade do evento ocorrer exatamente X vezes, em n tentativas é dada por:
a) 𝑃(𝑋) = 𝐶𝑛,𝑥 𝑝 𝑥 𝑞 𝑛−𝑥
b) 𝑃(𝑋) = 1 − 𝑝 𝑥 𝑞𝑛−𝑥
c) 𝑃(𝑋) = 𝑝 𝑥 𝑞𝑛−𝑥
d) 𝑃(𝑋) = 1 + 𝐶𝑛,𝑥 𝑝 𝑥 𝑞𝑛−𝑥
e) 𝑃(𝑋) = 𝑝 𝑥 𝑞 𝑛−𝑥
9- (ESAF/Receita Federal do Brasil/AFRFB/2009) Em um experimento

binomial com três provas, a probabilidade de ocorrerem dois sucessos é doze
vezes a probabilidade de ocorrerem três sucessos. Desse modo, as probabilida-
des de sucesso e fracasso são, em percentuais, respectivamente, iguais a:
a) 80 % e 20 %
b) 30 % e 70 %
c) 60 % e 40 %
d) 20 % e 80 %
e) 25 % e 75 %
10- (ESAF/CGU/TFC/2008) Em um hospital, 20% dos enfermos estão aco-

metidos de algum tipo de infecção hospitalar. Para dar continuidade às pesqui-
sas que estão sendo realizadas para controlar o avanço deste tipo de infecção,
cinco enfermos desse hospital são selecionados, ao acaso e com reposição. A
probabilidade de que exatamente três dos enfermos selecionados não estejam
acometidos de algum tipo de infecção hospitalar é igual a:
a) (0,8)3 (0,2)2
b) 10 (0,8)2 (0,2)3
c) (0,8)2 (0,2)3
d) 10 (0,8)3 (0,2)2
e) (0,8)3 (0,2)0

Prof. Alex Lira
11- (ESAF – AFC/CGU/2008) Seja X uma variável aleatória discreta com

função de probabilidade binomial f(x), onde f(x)= Cn,x px(1-p)n-x e Cn,x é o nú-
mero de combinações de n elementos tomados x a x. Sendo n = 6 e p = 1/3,
determine f(6).
a) 1/729. b) 1. c) 0. d) 64/729. e) 8/729.
12- (ESAF - Analista Técnico/SUSEP/2010) Uma urna contém bolas ver-

melhas, azuis, amarelas e pretas. O número de bolas pretas é duas vezes o
número de bolas azuis, o número de bolas amarelas é cinco vezes o número de
bolas vermelhas, e o número de bolas azuis é duas vezes o número de bolas
amarelas. Se as bolas diferem apenas na cor, ao se retirar ao acaso três bolas
da urna, com reposição, qual a probabilidade de exatamente duas bolas serem
pretas?
a) 100/729. b) 100/243. c) 10/27. d) 115/243. e) 25/81.
13- (ESAF - ATPS/MPOG/2012) Uma moeda é dita não viciada quando a

probabilidade de ocorrer cara for igual à probabilidade de ocorrer coroa. Assim,
lançando-se 6 vezes uma moeda não viciada, a probabilidade de se obter exa-
tamente 5 caras é igual a:
a) 3/32 b) 1/64 c) 3/64 d) 1/32 e) 5/32
14- (ESAF - AFRE/SEFAZ-MG/2005) Suponha que a probabilidade de que

se encontre um erro contábil grave em uma auditoria seja 0,2. Se dez auditorias
independentes são realizadas, assinale a opção que dá a probabilidade de que
não mais do que uma detecte erro contábil grave.
a) 2,8(4/5)
b) 0,400
c) (0, 2)10
d) 2,8 (4/5)10
e) 2,8 (4/5)9
15- (Universa/SEJUS – DF/2010) Em certo plano amostral, em uma po-

pulação de 100 elementos, optou-se pelo seguinte critério: joga-se uma moeda
(honesta) e, se der cara, o elemento entra na amostra; se der coroa, ele não
entra na amostra. Qual o tamanho esperado dessa amostra?
a) 10 b) 20 c) 30 d) 40 e) 50

Prof. Alex Lira
16- (ESAF/Receita Federal do Brasil/AFRFB/2009) O número de petro-

leiros que chegam a uma refinaria ocorre segundo uma distribuição de Poisson,
com média de dois petroleiros por dia. Desse modo, a probabilidade de a refi-
naria receber no máximo três petroleiros em dois dias é igual a:
32 3 71 71 32
a) 73
× 𝑒 −4 b) 71
× 𝑒4 c) 3
× 𝑒 −4 d) 3
× 𝑒 −2 a) 3
× 𝑒 −2
17- (ESAF - AFPS/INSS/2002) Sabe-se que o número de clientes que pro-

curam atendimento numa agência da previdência no período das 17 às 18 horas
tem distribuição de Poisson com média de 3 clientes.
Assinale a opção que dá o valor da probabilidade de que mais de 2 clientes
apareçam no período.
Sabe-se que e-3 = 0,0498, sendo "e" o número neperiano.
a) 0,776 b) 0,667 c) 0,500 d) 0,577 e) 1,000
18- (ESAF – ATPS/MPOG/2012) Amanda é médica ginecologista e, du-

rante os finais de semana, ela recebe, em média, 2 chamadas por hora em seu
telefone celular. Assim, a probabilidade de, no próximo final de semana,
Amanda receber exatamente 3 chamadas em 2 horas é igual a:
43 −3 4 −3 4 43 −4 4 −3 −4 43 −4
a) 𝑒 b) 𝑒 c) 𝑒 d) 𝑒 e) 𝑒
4! 3! 3! 3! 4!
19- (ESAF – Ministério do Turismo/Estatístico/2014) Uma máquina de

produzir garrafas apresenta 2% das garrafas com algum tipo de defeito. Rei-
naldo, que é engenheiro de produção, está realizando um trabalho para diminuir
o percentual de garrafas defeituosas. Para dar continuidade ao trabalho, ele
precisa conhecer a probabilidade de se obter 3 garrafas defeituosas. Para tanto,
Reinaldo retirou, aleatoriamente, uma amostra de 100 garrafas. Sabendo-se
que Reinaldo utilizou a Distribuição de Poisson para calcular de modo aproxi-
mado essa probabilidade, então o resultado obtido por Reinaldo é igual a:
4 4 1 4 2
a) 𝑒 −2 b) 𝑒 1/2 c) 𝑒 −1/2 d) 𝑒 −1/2 e) 𝑒 −2
3 3 3 3 3
20- (ESAF – Ministério do Turismo/Estatístico/2014) Matias é arquiteto

e está desenvolvendo o projeto para um grande condomínio horizontal. Os con-
dôminos sempre estão em contato com Matias perguntando quando o projeto
ficará pronto. Sabendo-se que Matias recebe desses condôminos, em média, 2
mensagens por dia em seu celular, então a probabilidade de Matias receber 2
mensagens em 4 dias é igual a:
1 8 1 8 1 −8
a) 32
𝑒 b) 32𝑒 −8 c) 64𝑒 −8 d) 64
𝑒 e) 64
𝑒

Prof. Alex Lira
21- (ESAF - ANAC/Especialista/2016) Uma distribuição Binomial pode ser

aproximada por uma distribuição de Poisson, quando a probabilidade do evento
é pequena de ocorrer e a população considerada é relativamente grande. As-
suma esta aproximação para o problema descrito a seguir. Considere que pas-
sageiros chegam a um aeroporto a uma taxa média de três passageiros por
segundo. Pede-se para determinar, com uma boa aproximação, qual a probabi-
lidade (P) de que não mais de dois passageiros chegarão ao aeroporto em um
intervalo de um segundo (caso seja necessário, use o valor de e1 = 2,72).
a) P=0,28 b) P=0,22 c) P=0,36 d) P=0,25 e) P=0,42

Prof. Alex Lira
Gabarito 1: A. Gabarito 11: A. Gabarito 21: E.

Gabarito 2: E. Gabarito 12: B.
Gabarito 3: D. Gabarito 13: A.

Gabarito 4: A. Gabarito 14: E.
Gabarito 5: errado. Gabarito 15: E.
Gabarito 6: D. Gabarito 16: C.
Gabarito 7: A. Gabarito 17: D.
Gabarito 8: A. Gabarito 18: C.
Gabarito 9: D. Gabarito 19: A.
Gabarito 10: D. Gabarito 20: B.

Aula 24 - Variáveis Aleatórias. Principais Distribuições de Probabilidade

Enviado por

Dados do documento

Descrição original:

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Aula 24 - Variáveis Aleatórias. Principais Distribuições de Probabilidade

Enviado por

Direitos autorais:

Formatos disponíveis

Direitos autorais reservados (Lei 9610/98). Proibida a reprodução, venda ou compartilhamento deste arquivo. Uso individual.

Cópia registrada para Juarez Lima (CPF: 033.254.205-08)

Aula – Distribuições de Probabilidade

2. Distribuição de Probabilidade .............................................................. 4

3. Distribuição Binomial ....................................................................... 16

Prof. Alex Lira www.exponencialconcursos.com.br Página 2 de 37

o terceiro deu 5. Reunindo os resultados, tivemos:

Prof. Alex Lira www.exponencialconcursos.com.br Página 3 de 37

Não pode assumir qualquer valor

É possível enumerar todos os

Exemplo: Grandezas obtidas por meio

(Quantas pessoas moram nesta casa?)

Pode assumir qualquer valor dentro de

Não é possível enumerar todos os

Exemplo: Grandezas obtidas por meio

Prof. Alex Lira www.exponencialconcursos.com.br Página 4 de 37

Perceba que na turma em análise temos a probabilidade de:

 O aluno escolhido ter uma aprovação é:

Essa tabela é denominada distribuição de probabilidade, que corresponde a

3. Função Distribuição de Probabilidade

Prof. Alex Lira www.exponencialconcursos.com.br Página 5 de 37

Definida nesses termos, temos a denominada função probabilidade e repre-

bilidade da variável aleatória X.

3. Esperança de Variáveis Aleatórias Discretas

Prof. Alex Lira www.exponencialconcursos.com.br Página 6 de 37

Considere mais uma vez o evento de lançamento de um dado honesto. Bem,

Assim, de acordo com a fórmula acima, a média de uma variável aleatória

Portanto, para um número muito grande de lançamentos, é razoável esperar

Prof. Alex Lira www.exponencialconcursos.com.br Página 7 de 37

1- (ESAF/MPU/Analista/2004) O preço de determinada ação fica cons-

amanhã se seu preço hoje é R$ 8,00.

Desse modo, a distribuição de probabilidades fica:

Assim, fica claro que o valor esperado é de:

2- (ESAF/MDIC/ACE/2012) Paulo e João são dois mecânicos que traba-

De acordo com estes dados, o número médio de clientes na oficina (L), e o

Prof. Alex Lira www.exponencialconcursos.com.br Página 8 de 37

Primeiramente, vamos calcular a quantidade de clientes que vão à oficina para

Assim, a esperança de L é dada por:

Prof. Alex Lira www.exponencialconcursos.com.br Página 9 de 37

Dessa maneira, tem que a esperança de Lq será:

3.1. Propriedades da Esperança

dos E(A) e E(B). Nesse caso, a Esperança possui as seguintes propriedades:

1ª propriedade: A esperança da soma é igual à soma das esperanças.

2ª propriedade: A esperança da subtração é igual à subtração das es-

3ª propriedade: A esperança do produto é igual ao produto das espe-

Sabemos que se as variáveis são independentes, a esperança do produto é igual

4ª propriedade: Se multiplicarmos uma variável aleatória por uma cons-

Prof. Alex Lira www.exponencialconcursos.com.br Página 10 de 37

5ª propriedade: A esperança de uma constante é igual à própria cons-

aleatória de média 5. Sabendo que A e B são independentes, calcule a média

𝐸(𝐶) = 𝐸(𝐴) + 𝐸(3𝐴𝐵)

4. Variância e Desvio Padrão de uma Variável Aleatória Discreta

Prof. Alex Lira www.exponencialconcursos.com.br Página 11 de 37

𝑽𝒂𝒓(𝑿) = 𝑽(𝑿) = 𝝈𝟐 = 𝑬[(𝑿 − 𝝁)𝟐 ]

Agora, vamos desenvolver o quadrado da diferença presente na fórmula acima:

Aplicando as propriedades da Esperança que estudamos, obtemos:

4.1. Propriedades da Variância

1ª propriedade: Se somarmos ou subtraímos uma constante da variável

2ª propriedade: Se multiplicarmos a variável aleatória por uma cons-

3ª propriedade: Se dividirmos a variável aleatória por uma constante k,

Prof. Alex Lira www.exponencialconcursos.com.br Página 12 de 37

1. Distribuição Uniforme Discreta

A distribuição uniforme discreta é o tipo mais simples de variável aleatória,